模型
Vision Transformer
将Transformer架构直接应用于图像分类等视觉任务的模型，以自注意力处理图像块序列。
详细解释
ViT将图像分割为固定大小的块，线性嵌入后加入位置编码，输入标准Transformer编码器。它打破了CNN的局部归纳偏置，在大规模数据上表现优异。ViT推动了视觉与语言模型的统一，成为多模态模型的基础组件。
别名与相关写法
vision transformer
相关术语
相关资讯
arXiv 提出客户端感知早退 ViT，用于异构联邦学习2026/10/20
LoRA 增强对比学习用于声呐目标识别2026/9/21